基于双重能量约束机制的可再生能源驱动多接入边缘计算任务卸载研究

《Network》:Energy-Availability-Constrained Deep Reinforcement Learning for Blackout-Aware Task Offloading in Renewable-Powered SDN-MEC Networks

【字体: 大 中 小 】 时间:2026年10月02日 来源:Network 3.7

编辑推荐:

   摘要

  

摘要

可再生能源驱动的多接入边缘计算(MEC)使边缘节点面临一种电网供电系统中不存在的故障模式:当节点电池耗尽时,将进入服务中断状态。我们研究了由软件定义网络(SDN)控制的、配备太阳能供电且电池容量有限的服务器的 MEC 网络中的任务卸载问题,并在控制器层面通过两个级别强制执行每个节点的每时隙能量可用性约束:一是单次分配筛查测试,用于修剪深度强化学习代理的动作集,该代理的状态包含电池荷电状态和能量采集预测值;二是提交时聚合准入测试,用于验证在分配频率下承诺给节点的总能量。策略采用端到端方式进行评估,指标为在十个随机种子下,由未发生中断的节点在截止日期内成功处理的所有生成任务的比例,并采用配对统计方法。该聚合准入测试将其封装的每种策略(无论是学习型还是启发式)的中断率降低至最多每服务器时隙 ,同时提高了交付的有效吞吐量(学习型代理提高 ,延迟贪心启发式策略提高 )。消融实验表明,相较于能量无关的学习器,学习型代理实现的 中断率降低主要源于其状态中的电池信息,而非筛查测试;此外,固定惩罚和拉格朗日软约束基线方法未能达到相同的工作点。在端到端任务成功率方面,在相同准入测试下,延迟贪心关联策略在参考工作点上的表现优于任何学习型策略,且学习型策略仅在重负载下才超越它;我们将此现象,连同偏好条件化无法控制延迟 - 能量权衡的问题,报告为本场景下学习方法的局限性,而非准入机制本身的特性。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号